Alibaba ನ Qwen-Audio-3.0-TTS-Plus TTS ಶ್ರೇಯಾಂಕಗಳಲ್ಲಿ ಅಗ್ರಸ್ಥಾನ ಪಡೆದಿದೆ
Alibaba ತನ್ನ ಹೊಸ ಮಾದರಿಯಾದ Qwen-Audio-3.0-TTS-Plus ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡುವ ಮೂಲಕ ಭಾಷಣ ಸಂಶ್ಲೇಷಣೆ (speech synthesis) ಕ್ಷೇತ್ರದಲ್ಲಿ ಕ್ರಾಂತಿ ಮಾಡಿದೆ. ಈ ಮಾದರಿಯು Artificial Analysis Speech Arena ಲೀಡರ್ಬೋರ್ಡ್ನಲ್ಲಿ ಅಧಿಕೃತವಾಗಿ ಮುಂಚೂಣಿಗೆ ಬಂದಿದೆ. ಅಭಿವ್ಯಕ್ತಿಶೀಲ ಸೂಕ್ಷ್ಮತೆ (expressive nuance) ಮತ್ತು ಬಹುಭಾಷಾ ಆಳಕ್ಕೆ ಆದ್ಯತೆ ನೀಡುವ ಮೂಲಕ, Alibaba ಉನ್ನತ ಗುಣಮಟ್ಟದ ಕೃತಕ ಧ್ವನಿಗಳಿಗಾಗಿ ಹೊಸ ಮಾನದಂಡವನ್ನು ಸ್ಥಾಪಿಸುತ್ತಿದೆ.
Elo ಸ್ಕೋರ್ಗಳಲ್ಲಿ ಉದ್ಯಮದ ದೈತ್ಯರನ್ನು ಹಿಂದಿಕ್ಕುವಿಕೆ
Artificial Analysis ನ ಇತ್ತೀಚಿನ ಶ್ರೇಯಾಂಕಗಳ ನಂತರ Text-to-Speech (TTS) ತಂತ್ರಜ್ಞಾನದ ಸ್ಪರ್ಧಾತ್ಮಕ ಪರಿಸರವು ಬದಲಾಗಿದೆ. Alibaba ನ Qwen-Audio-3.0-TTS-Plus ಮಾದರಿಯು 1,236 ರ ಆಕರ್ಷಕ Elo ಸ್ಕೋರ್ನೊಂದಿಗೆ ಪ್ರೊವೈಡರ್ ಧ್ವನಿಗಳ ವಿಭಾಗದಲ್ಲಿ ಮೊದಲ ಸ್ಥಾನವನ್ನು ಪಡೆದಿದೆ. ಈ ಸಣ್ಣ ವಿಜಯವು 1,234 ಸ್ಕೋರ್ ಹೊಂದಿರುವ SpeechifyAI ನ Simba 3.2 ಗಿಂತ ಕೇವಲ ಎರಡು ಅಂಕಗಳ ಮುಂಚೂಣಿಯಲ್ಲಿದೆ.
Google ನ Gemini 3.1 Flash TTS (1,214) ಮತ್ತು Sonic 3.5 (1,207) ಸೇರಿದಂತೆ ಈ ವಲಯದ ಇತರ ಪ್ರಮುಖ ಮಾದರಿಗಳು ಪ್ರಸ್ತುತ ಹಿಂದೆಯೇ ಇವೆ. ಈ ಶ್ರೇಯಾಂಕವು, ಸ್ಥಾಪಿತ ಉದ್ಯಮದ ನಾಯಕರ তুলনায় Alibaba ನ ಇತ್ತೀಚಿನ ಆರ್ಕಿಟೆಕ್ಚರ್ನಲ್ಲಿ ಬಳಕೆದಾರರು ಮತ್ತು ಮೌಲ್ಯಮಾಪಕರು ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚು ನೈಸರ್ಗಿಕತೆ ಮತ್ತು ಗುಣಮಟ್ಟವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತಿದ್ದಾರೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ದ್ವಿ-ಮಾಡೆಲ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಮತ್ತು ಅಭಿವ್ಯಕ್ತಿಶೀಲ ನಿಯಂತ್ರಣ
ವಿವಿಧ ಡೆವಲಪರ್ಗಳ ಅಗತ್ಯಗಳನ್ನು ಪೂರೈಸಲು, Alibaba ಈ ಮಾದರಿಯನ್ನು ಎರಡು ವಿಭಿನ್ನ ಆವೃತ್ತಿಗಳಲ್ಲಿ ಬಿಡುಗಡೆ ಮಾಡಿದೆ:
- Flash: ಸುಮಾರು 300 ಮಿಲಿಸೆಕೆಂಡ್ಗಳ ವಿಳಂಬದೊಂದಿಗೆ (delay), ಕಡಿಮೆ-ಲ್ಯಾಟೆನ್ಸಿ (low-latency) ಮತ್ತು ನೈಜ-ಸಮಯದ (real-time) ಸಂವಹನಗಳಿಗಾಗಿ ಇದನ್ನು ಉತ್ತಮಗೊಳಿಸಲಾಗಿದೆ.
- Plus: ಗರಿಷ್ಠ ಗುಣಮಟ್ಟದ ಭಾಷಣದ ಔಟ್ಪುಟ್ ಮತ್ತು ಜೀವಂತವಾದ ಪ್ರೊಸೊಡಿ (prosody) ಗಾಗಿ ಇದನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.
Qwen-Audio-3.0 ನ ಅತ್ಯಂತ ಗಮನಾರ್ಹ ತಾಂತ್ರಿಕ ಪ್ರಗತಿಗಳಲ್ಲಿ ಒಂದೆಂದರೆ, ಮಾತನಾಡುವ ಶೈಲಿಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಸೂಚನೆಗಳನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ. ಡೆವಲಪರ್ಗಳು ಔಟ್ಪುಟ್ನಲ್ಲಿ ಮಾನವನಂತಹ ಭಾವನೆಯನ್ನು ತುಂಬಲು [angry] ಅಥವಾ [giggles] ನಂತಹ ನಿರ್ದಿಷ್ಟ ಟ್ಯಾಗ್ಗಳ ಮೂಲಕ ಅವ್ಯಕ್ತ ಸಂಕೇತಗಳನ್ನು (nonverbal cues) ಬಳಸಬಹುದು. ಇದಲ್ಲದೆ, ಈ ಮಾದರಿಯು ವಾಯ್ಸ್ ಕ್ಲೋನಿಂಗ್ನಲ್ಲಿ (voice cloning) ಅತ್ಯುತ್ತಮ ದಕ್ಷತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ; ಇದು ಹಿಂದಿನ ಮಾದರಿಗಳಿಗಿಂತ ಗದ್ದಲ ಅಥವಾ ಪ್ರತಿಧ್ವನಿ (echo) ಇರುವ ರೆಕಾರ್ಡಿಂಗ್ಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿರ್ವಹಿಸುತ್ತದೆ.
ಬಹುಭಾಷಾ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಹೊಂದಾಣಿಕೆಗಳು
ಅನೇಕ TTS ಮಾದರಿಗಳು ಇಂಗ್ಲಿಷ್ ಮೇಲೆ ಹೆಚ್ಚಿನ ಗಮನ ಹರಿಸುತ್ತವೆಯಾದರೂ, Qwen-Audio-3.0-TTS-Plus 16 ಭಾಷೆಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಮೂಲಕ ವ್ಯಾಪಕವಾದ ಭಾಷಾ ಉಪಯುಕ್ತತೆಯನ್ನು ನೀಡುತ್ತದೆ. ಇದು ಹೆಚ್ಚಿನ ಬೇಡಿಕೆಯಿರುವ ಭಾಷೆಗಳ ಜೊತೆಗೆ ಟ್ಯಾಗಲಾಗ್, ಮಲಯ, ಥಾಯ್ ಮತ್ತು ವಿಯೆಟ್ನಾಮೀಸ್ನಂತಹ ಕಡಿಮೆ ಬಳಕೆಯಲ್ಲಿರುವ ಭಾಷೆಗಳು ಮತ್ತು ವಿವಿಧ ಚೀನೀ ಉಪಭಾಷೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.
ಆದಾಗ್ಯೂ, ಈ ಮಾದರಿಯು ಮಿತಿಗಳಿಂದ ಮುಕ್ತವಾಗಿಲ್ಲ. ಕಚ್ಚಾ ಉತ್ಪಾದನಾ ವೇಗದ (raw generation speed) ವಿಷಯದಲ್ಲಿ, ಇದು ಸ್ಪರ್ಧಿಗಳಿಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹಿಂದೆ ಬಿದ್ದಿದೆ. ಸೆಕೆಂಡಿಗೆ 16 ಅಕ್ಷರಗಳ ವೇಗದಲ್ಲಿರುವ ಇದು, ಸೆಕೆಂಡಿಗೆ 120 ಅಕ್ಷರಗಳ ವೇಗ ಹೊಂದಿರುವ Sonic 3.5 ಮತ್ತು 30.2 ಅಕ್ಷರಗಳ ವೇಗ ತಲುಪುವ Simba 3.2 ಗಿಂತ ಹಿಂದುಳಿದಿದೆ. ಹೆಚ್ಚಿನ ಥ್ರೂಪುಟ್ (high-throughput) ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಡೆವಲಪರ್ಗಳು, ಮಾದರಿಯ ಅತ್ಯುತ್ತಮ ಅಭಿವ್ಯಕ್ತಿ ಗುಣಮಟ್ಟದ ಜೊತೆಗೆ ಅಕ್ಷರಗಳ ಉತ್ಪಾದನೆಯಲ್ಲಿನ ಈ ವಿಳಂಬವನ್ನು (latency) ಪರಿಗಣಿಸಬೇಕಾಗುತ್ತದೆ.
ಪ್ರಸ್ತುತ, ಈ ಮಾದರಿಯನ್ನು Alibaba Cloud Model Studio ಮೂಲಕ ಪಡೆಯಬಹುದು, ಇದರ ಬೆಲೆ ಪ್ರತಿ ಮಿಲಿಯನ್ ಅಕ್ಷರಗಳಿಗೆ $27.60 ಆಗಿದೆ.
AI ಪರಿಸರಕ್ಕೆ ಇದು ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ
Qwen-Audio-3.0-TTS-Plus ನ ಉದಯವು TTS ಉದ್ಯಮವು ಕೇವಲ "ಭಾಷಣ ಉತ್ಪಾದನೆ"ಯಿಂದ (speech generation) "ಭಾವನಾತ್ಮಕ ಬುದ್ಧಿವಂತಿಕೆ"ಯತ್ತ (emotional intelligence) ಬದಲಾಗುತ್ತಿರುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. LLMಗಳು ಹೆಚ್ಚು ಸಂಭಾಷಣಾತ್ಮಕವಾಗುತ್ತಿದ್ದಂತೆ, ಅಡಕವಾಗಿರುವ ಪಠ್ಯದ ಉತ್ಪಾದನೆಯಷ್ಟೇ ಅಲ್ಲದೆ, ಮೂಲ ಪ್ರಾಂಪ್ಟ್ನಲ್ಲಿರುವ ಸೂಕ್ಷ್ಮತೆ, ವ್ಯಂಗ್ಯ ಮತ್ತು ಭಾವನೆಯನ್ನು ಧ್ವನಿಯ ಮೂಲಕ ವ್ಯಕ್ತಪಡಿಸುವ ಸಾಮರ್ಥ್ಯವು ಪ್ರಮುಖವಾಗುತ್ತದೆ. ಅವ್ಯಕ್ತ ಟ್ಯಾಗ್ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮತ್ತು ಕ್ಲೋನಿಂಗ್ಗಾಗಿ ಅಪೂರ್ಣ ಆಡಿಯೋವನ್ನು ನಿರ್ವಹಿಸುವ Alibaba ನ ಸಾಮರ್ಥ್ಯವು ಅವರನ್ನು ಮುಂದಿನ ಪೀಳಿಗೆಯ ಇಮ್ಮರ್ಶಿವ್ (immersive) AI ಏಜೆಂಟ್ಗಳ ಮುಂಚೂಣಿಯಲ್ಲಿರಿಸುತ್ತದೆ.
ಪ್ರಮುಖ ಅಂಶಗಳು
- ಲೀಡರ್ಬೋರ್ಡ್ ಪ್ರಾಬಲ್ಯ: Qwen-Audio-3.0-TTS-Plus ಮಾದರಿಯು 1,236 Elo ಸ್ಕೋರ್ನೊಂದಿಗೆ Speech Arena ನಲ್ಲಿ ಮುಂಚೂಣಿಯಲ್ಲಿದೆ, ಇದು Simba 3.2 ಮತ್ತು Gemini 3.1 Flash TTS ಅನ್ನು ಹಿಂದಿಕ್ಕಿದೆ.
- ಭಾವನಾತ್ಮಕ ಸೂಕ್ಷ್ಮತೆ: ವಾಸ್ತವಿಕತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಈ ಮಾದರಿಯು ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಶೈಲಿ ನಿಯಂತ್ರಣ ಮತ್ತು
[giggles]ನಂತಹ ಅವ್ಯಕ್ತ ಸಂಕೇತಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. - ಬಹುಭಾಷಾ ವ್ಯಾಪ್ತಿ: ಇದು ಆಗ್ನೇಯ ಏಷ್ಯಾईಯ ಭಾಷೆಗಳು ಮತ್ತು ಚೀನೀ ಉಪಭಾಷೆಗಳ ವಿಶೇಷ ಒಳಗೊಳ್ಳುವಿಕೆಯನ್ನು ಒಳಗೊಂಡಂತೆ 16 ಭಾಷೆಗಳಿಗೆ ಬಲವಾದ ಬೆಂಬಲವನ್ನು ನೀಡುತ್ತದೆ.